CN109376628A - 一种图像质量检测方法、装置和存储介质 - Google Patents

Abstract

本发明公开了一种图像质量检测方法、装置和存储介质，用以实现对图像质量进行检测，减少无效的人脸识别，提高人脸识别效果。图像质量检测方法，包括：接收待检测图像；对所述待检测图像进行预处理；利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级，其中，所述图像分类模型为基于带有图像质量等级标签的样本图像利用支持向量机SVM算法进行训练得到的。

Description

一种图像质量检测方法、装置和存储介质

技术领域

本发明涉及领域图像处理技术领域，尤其涉及一种图像质量检测方法、装置和存储介质。

背景技术

人脸识别技术的运用越来越广泛，给人们的生活带来了便利。但在安防场景下的人脸识别技术在应用中存在着一个常见的问题：由于安防场景下，相机像素较低，人脸做各种运动，光照影响，人离相机的距离太近或太远等情况，导致送入到人脸识别的图像比较模糊。模糊的人脸图片用于人脸识别，一方面影响人脸识别的效果，另一方面，也导致了很多无效的人脸识别，从而加大了人脸识别装置的计算成本。

因此，如何对图像质量进行检测，以减少无效的人脸识别，提高人脸识别效果，成为现有技术中亟待解决的技术问题之一。

发明内容

本发明实施例提供了一种图像质量检测方法、装置和存储介质，用以实现对图像质量进行检测，减少无效的人脸识别，提高人脸识别效果。

第一方面，提供一种图像质量检测方法，包括：

接收待检测图像；

对所述待检测图像进行预处理；

利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级，其中，所述图像分类模型为基于带有图像质量等级标签的样本图像利用支持向量机SVM算法进行训练得到的。

可选地，所述图像分类模型为基于带有图像质量等级标签的样本图像，利用支持向量机SVM算法按照以下流程进行训练得到的：

针对每一样本图像，将该样本图像划分为N个图像块，其中，N为大于1的整数；

从每一图像块中提取M维局部二值模式LBP特征，其中，M为大于1的整数；

连接该图像样本所包含的所有图像块的LBP特征得到该样本图像对应的样本特征；

基于各个样本图像对应的样本特征，利用SVM算法进行训练得到所述图像分类模型。

可选地，在提取所有样本图像的局部二值模式LBP特征之前，还包括：

将各样本图像进行归一化处理为相同大小的图像。

可选地，对所述待检测图像进行预处理，具体包括：

将所述待检测图像划分为N个图像块，其中，N为大于1的整数；

从每一图像块中提取M维LBP特征；

连接所有图像块的LBP特征得到所述待检测图像对应的图像特征。

第二方面，提供一种图像质量检测装置，包括：

接收单元，用于接收待检测图像；

预处理单元，用于对所述待检测图像进行预处理；

检测单元，用于利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级，其中，所述图像分类模型为基于带有图像质量等级标签的样本图像利用支持向量机SVM算法进行训练得到的。

可选地，本发明实施例提供的图像质量检测装置，还包括：

划分单元，用于针对每一样本图像，将该样本图像划分为N个图像块，其中，N为大于1的整数；

提取单元，用于从每一图像块中提取M维LBP特征，其中，M为大于1的整数；

连接单元，用于连接该图像样本所包含的所有图像块的LBP特征得到该样本图像对应的样本特征；

训练单元，用于基于各个样本图像对应的样本特征，利用SVM算法进行训练得到所述图像分类模型。

可选地，本发明实施例提供的图像质量检测装置，还包括：

归一化处理单元，用于将各样本图像进行归一化处理为相同大小的图像。

可选地，所述预处理单元，具体用于将所述待检测图像划分为N个图像块，其中，N为大于1的整数；从每一图像块中提取M维LBP特征；连接所述待检测图像所包含的所有图像块的LBP特征得到所述待检测图像对应的图像特征。

第三方面，提供一种计算装置，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述任一图像质量检测方法所述的步骤。

第四方面，提供一种计算机可读介质，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述任一图像质量检测方法所述的步骤。

本发明实施例提供的图像质量检测方法、装置和存储介质，基于带有图像质量等级标签的样本图像，利用SVM算法进行训练得到图像分类模型，基于得到的图像分类模型对待检测图像进行质量检测得到待检测图像对应的图像质量等级，由此实现了图像质量的检测，进一步地，在需要对人脸图像进行识别时，可以选择质量等级满足需求的人脸图像进行识别，从而能够减少无效的人脸识别，提高人脸识别的效果。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例中，图像分类模型训练流程示意图；

图2为本发明实施例中，图像质量检测方法的实施流程示意图；

图3为本发明实施例中，图像质量检测装置的结构示意图；

图4为根据本发明实施方式的计算装置的结构示意图。

具体实施方式

为了实现对图像质量的检测，减少无效的人脸识别，提高人脸识别的效果，本发明实施例提供了一种图像质量检测方法、装置和存储介质。

首先，对本发明实施例中涉及的部分用语进行说明，以便于本领域技术人员理解。

SVM(Support Vector Machine，支持向量机)：是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

本发明实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。

在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本发明实施例中，为了实现对图像质量的检测，首先可以训练图像分类模型，图像分类模型可以用于对待检测图像的质量等级进行检测。

为了提高图像分类模型检测结果的准确性，本发明实施例中，需要收集和整理满足一定条件的样本图像。具体实施时，可以利用安防场景下摄像头采集的视频图像，从采集的视频图像中提取若干小时的人脸视频，并将所有人脸检测出来得到包含人脸的图像样本。为了提高检测结果的准确性，收集的图像样本数量最好不低于100000张。针对每一张图像样本，分别标注其对应的图像质量等级，具体实施时，可以通过人工判断并标注或者采用自动是被并标注的方法进行标注，本发明实施例对此不进行限定。具体地，可以根据样本图像的清晰程度将图像样本划分为5个等级：特别清晰、较为清晰、清晰度一般、不清晰和很差。具体实施时，可以采用不同的数字标识不同的质量等级，例如，采用4表示非常清晰、3表示较为清晰、2表示清晰度一般、1表示不清晰以及0表示很差。这样，可以为每一图像样本标注相应的标签信息。具体实施时，每一等级的图像样本数量差异需要控制在预设范围之内，即不同等级的图像样本的数量差别不能过大。

基于得到的带有标签信息的样本图像，本发明实施例中可以按照图1所示的流程对样本图像进行训练得到的图像分类模型训练流程示意图，可以包括以下步骤：

S11、针对每一样本图像，将该样本图像划分为N个图像块。

具体实施时，在开始训练之前，还可以将各样本图像进行归一化处理为相同大小的图像。例如，可以将样本图像的大小都归一化为128*128。针对每一样本图像，提取该样本图像的分块LBP(局部二值模式)特征。

具体地，针对每一样本图像，可以将该样本图像划分为N个图像块，其中，N为大于1的自然数，例如，可以将样本图像分成16个32*32的图像块。

S12、从每一图像块中提取M维LBP特征。

其中，M为大于1的自然数。例如，针对每一图像块，可以提取128维LBP特征。

S13、连接该图像样本所包含的所有图像块的LBP特征得到该样本图像对应的样本特征。

S14、基于各个样本图像对应的样本特征，利用SVM算法进行训练得到所述图像分类模型。

具体实施时，在针对每一样本图像包含的每一图像块提取了128维LBP特征之后，将从该样本图像所包含的16个图像块中提取的LBP特征连接起来，由此将样本图像映射为16*128维度的样本特征。然后基于各个样本图像对应的样本特征利用SVM算法训练一个多类的SVM分类器，即可得到本发明实施例中的图像分类模型，该图像分类模型可以将上述5种质量等级的图像区分开来。

基于训练得到的图像分类模型，本发明实施例中，可以按照图2所示的流程检测图像质量：

S21、接收待检测图像。

具体实施时，待检测的图像可以为从实时监控图像中提取的。

S22、对待检测图像进行预处理。

具体实施时，对于待检测图像，首先可以将其归一化为与样本图像同样大小，例如，可以将待检测图像归一化为128*128大小的图像。然后，将待检测图像划分为N个图像块，并从每一图像块中提取M维LBP特征，例如可以将待检测图像划分为16块，从每一图像块中提取128维特征得到16*128维特征作为待检测图像的图像特征。

S23、利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级。

本步骤中，可以将步骤S22中得到的待检测图像的图像特征输入图像分类模型中，得到待检测图像对应的标签信息，根据得到的标签信息确定待检测图像对应的质量等级。以图像分类模型输出的标签信息为4为例，则可以确定待检测图像对应的图像质量等级为非常清晰。

本发明实施例提供的图像质量检测方法，基于带有图像质量等级标签的样本图像，利用SVM算法进行训练得到图像分类模型，基于得到的图像分类模型对待检测图像进行质量检测得到待检测图像对应的图像质量等级，由此实现了图像质量的检测，进一步地，可以将其应用于安防监控领域中，在需要对人脸图像进行识别时，可以选择质量等级满足需求的人脸图像进行识别，从而能够减少无效的人脸识别，提高人脸识别的效果。

基于同一发明构思，本发明实施例中还提供了一种图像质量检测装置，由于上述装置解决问题的原理与图像质量检测方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。

如图3所示，其为本发明实施例提供的图像质量检测装置的结构示意图，包括：

接收单元31，用于接收待检测图像；

预处理单元32，用于对所述待检测图像进行预处理；

检测单元33，用于利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级，其中，所述图像分类模型为基于带有图像质量等级标签的样本图像利用支持向量机SVM算法进行训练得到的。

可选地，本发明实施例提供的图像质量检测装置，还包括：

划分单元，用于针对每一样本图像，将该样本图像划分为N个图像块，其中，N为大于1的整数；

提取单元，用于从每一图像块中提取M维LBP特征，其中，M为大于1的整数；

连接单元，用于连接该图像样本所包含的所有图像块的LBP特征得到该样本图像对应的样本特征；

训练单元，用于基于各个样本图像对应的样本特征，利用SVM算法进行训练得到所述图像分类模型。

可选地，本发明实施例提供的图像质量检测装置，还包括：

归一化处理单元，用于将各样本图像进行归一化处理为相同大小的图像。

可选地，所述预处理单元，具体用于将所述待检测图像划分为N个图像块，其中，N为大于1的整数；从每一图像块中提取M维LBP特征；连接所述待检测图像所包含的所有图像块的LBP特征得到所述待检测图像对应的图像特征。

为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。

在介绍了本发明示例性实施方式的图像质量检测方法和装置之后，接下来，介绍根据本发明的另一示例性实施方式的计算装置。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本发明的计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行本说明书上述描述的根据本发明各种示例性实施方式的图像质量检测方法中的步骤。例如，所述处理器可以执行如图2中所示的步骤S21、接收待检测图像，和步骤S22、对待检测图像进行预处理；以及步骤S23、利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级。

下面参照图4来描述根据本发明的这种实施方式的计算装置40。图4显示的计算装置40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算装置40以通用计算设备的形式表现。计算装置40的组件可以包括但不限于：上述至少一个处理器41、上述至少一个存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。

总线43表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储器42可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)421和/或高速缓存存储器422，还可以进一步包括只读存储器(ROM)423。

存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425，这样的程序模块424包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

计算装置40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置40交互的设备通信，和/或与使得该计算装置40能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，计算装置40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器46通过总线43与用于计算装置40的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，本发明提供的图像质量检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的图像质量检测方法中的步骤，例如，所述计算机设备可以执行如图2中所示的步骤S21、接收待检测图像，和步骤S22、对待检测图像进行预处理；以及步骤S23、利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本发明的实施方式的用于图像质量检测的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种图像质量检测方法，其特征在于，包括：

接收待检测图像；

对所述待检测图像进行预处理；

利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级，其中，所述图像分类模型为基于带有图像质量等级标签的样本图像利用支持向量机SVM算法进行训练得到的。

2.如权利要求1所述的方法，其特征在于，所述图像分类模型为基于带有图像质量等级标签的样本图像，利用支持向量机SVM算法按照以下流程进行训练得到的：

针对每一样本图像，将该样本图像划分为N个图像块，其中，N为大于1的整数；

从每一图像块中提取M维局部二值模式LBP特征，其中，M为大于1的整数；

连接该图像样本所包含的所有图像块的LBP特征得到该样本图像对应的样本特征；

基于各个样本图像对应的样本特征，利用SVM算法进行训练得到所述图像分类模型。

3.如权利要求2所述的方法，其特征在于，在提取所有样本图像的局部二值模式LBP特征之前，还包括：

将各样本图像进行归一化处理为相同大小的图像。

4.如权利要求1所述的方法，其特征在于，对所述待检测图像进行预处理，具体包括：

将所述待检测图像划分为N个图像块，其中，N为大于1的整数；

从每一图像块中提取M维LBP特征；

连接所有图像块的LBP特征得到所述待检测图像对应的图像特征。

5.一种图像质量检测装置，其特征在于，包括：

接收单元，用于接收待检测图像；

预处理单元，用于对所述待检测图像进行预处理；

检测单元，用于利用预先训练得到的图像分类模型确定所述待检测图像对应的图像质量等级，其中，所述图像分类模型为基于带有图像质量等级标签的样本图像利用支持向量机SVM算法进行训练得到的。

6.如权利要求5所述的装置，其特征在于，还包括：

划分单元，用于针对每一样本图像，将该样本图像划分为N个图像块，其中，N为大于1的整数；

提取单元，用于从每一图像块中提取M维局部二值模式LBP特征，其中，M为大于1的整数；

连接单元，用于连接该图像样本所包含的所有图像块的LBP特征得到该样本图像对应的样本特征；

训练单元，用于基于各个样本图像对应的样本特征，利用SVM算法进行训练得到所述图像分类模型。

7.如权利要求6所述的装置，其特征在于，还包括：

归一化处理单元，用于将各样本图像进行归一化处理为相同大小的图像。

8.如权利要求5所述的装置，其特征在于，

所述预处理单元，具体用于将所述待检测图像划分为N个图像块，其中，N为大于1的整数；从每一图像块中提取M维LBP特征；连接所述待检测图像所包含的所有图像块的LBP特征得到所述待检测图像对应的图像特征。

9.一种计算装置，其特征在于，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行权利要求1～4任一权利要求所述方法的步骤。

10.一种计算机可读介质，其特征在于，其存储有可由计算装置执行的计算机程序，当所述程序在计算装置上运行时，使得所述计算装置执行权利要求1～4任一所述方法的步骤。